Principios científicos del sistema VQR de reconstrucción

Principios científicos del sistema VQR de reconstrucción
de la calidad de voz
Ing Oscar Bonello, Solidyne, Universidad de Buenos Aires
INTRODUCCION
Las comunicaciones telefónicas son la forma más difundida de transporte de
señales de audio. Su rango de frecuencias, sin embargo, es muy restringido. Al principio de su
historia lo fue debido a las limitaciones técnicas de los micrófonos de carbón y los auriculares con
diafragma metálico. A medida que los transductores mejoraron y la tecnología original devino en
electrónica, las mejoras de sonido no incluyeron un aumento significativo de su respuesta a
frecuencias. Esto fue por razones económicas, para reducir el ancho de banda necesario, un
recurso escaso. Si bien está probado que para tener 100% de inteligibilidad es necesario llegar
hasta 5.000 Hz (French-Steinberg,1947) la industria telefónica acepta un ligera pérdida de
inteligibilidad para poder reducir este ancho de banda a 3.400 Hz y así poder manejar más
cantidad de canales en el mismo ancho de banda.
Las frecuencias bajas (graves) también son cortadas por debajo de 300 Hz pues no agregan
inteligibilidad a la palabra y simplifican el manejo de la información y el diseño electroacústico de
los transductores. Asimismo eliminan la interferencia telefónica debido a maquinarias y ruidos de
baja frecuencia.
¿Cómo influye esto en la transmisión de noticias para radiodifusión? Es evidente que el teléfono
no fue diseñado como sistema de alta calidad de audio. Por lo tanto las voces transmitidas (aún
cuando se ingresa directamente a la línea telefónica, sin pasar por los transductores), son
doblemente limitadas en frecuencias, tanto en graves como en agudos. La transmisión de
frecuencias entre 300-3.400 Hz tiene limitaciones muy importantes. La voz humana tiene
frecuencias desde 80 Hz hasta 10.000 Hz. Por lo tanto se pierden dos octavas en graves y otras
dos octavas en agudos. Esto produce una voz decididamente “nasal” (falta de graves) y a la vez
totalmente falta de brillo por la carencia de agudos. Esto hace que muchas radios hayan invertido
grandes sumas para realizar enlaces de radio montados en camiones de exteriores. Esto sin
embargo les resta movilidad a los periodistas e impide que trabajen en forma rápida y los obliga
a viajar seguidos de una costosa corte de técnicos.
A las limitaciones en la respuesta de frecuencias, se le suma el reducido rango dinámico de la
telefonía. Recordemos que llamamos rango dinámico a la relación entre el sonido más fuerte y el
ruido de fondo. El oído humano maneja en condiciones normales de ruido en la vida cotidiana,
rangos dinámicos de 90 dB, siendo aceptables para radiodifusión de FM entre 70 y 80 dB. Las
transmisiones telefónicas manejan rangos dinámicos de entre 40 dB y 50 dB en el mejor caso.
LAS SOLUCIONES EXISTENTES HOY
Este problema de transmitir audio por línea telefónica ha
tenido muchos intentos de solución. Ninguno de ellos totalmente satisfactorio. Los analizaremos
someramente:
a) Transladores múltiples de frecuencia Un equipo codificador divide la banda de audio en tres
sub-bandas de 300 a 3.400 Hz y las transmite empleando tres líneas telefónicas fijas. En el otro
extremo (Estudios) un equipo decodificador las desplaza y une nuevamente. Se obtiene un
sonido aceptable (50-7.500 Hz) pero el alto costo y la dificultad de mantener tres líneas
simultáneas para cada evento, así como la imposibilidad de usarlo con telefonía celular, ha hecho
caer el sistema en desuso.
b) Extensores de frecuencia El principio es parecido al anterior, pero usa una sola línea. Requiere
un equipo codificador y otro decodificador en Estudios. El codificador en transmisión desplaza
hacia arriba todas las frecuencias 250 Hz (o un valor similar) De esta manera una voz con graves
en 100 Hz es transmitida en 250 + 100 = 350 Hz
En los estudios, el decodificador hace el
desplazamiento inverso corriendo hacia abajo 250 Hz. En este proceso recuperamos graves pero
empeoramos los agudos en 250 Hz que se pierden.
Desventajas: Necesita usar dos equipos (coder + decoder)
/ No sirve para entrevistas
telefónicas (en donde el entrevistado habla por su propio aparato) / No corrige los agudos, los
empeora / No mejora el rango dinámico
c) Sistemas ISDN Digitalizan las transmisiones para enviarlas por el servicio telefónico de datos
de alta velocidad, disponible en Europa. La calidad es excelente y esta es su ventaja principal.
Desventajas: Solamente es usable en Europa y muy pocos lugares de mundo, en ciudades
importantes / No es 100 % portable pues requiere línea física /Alto costo en equipos y por hora
de transmisión / Necesita usar dos equipos / No sirve para entrevistas telefónicas (en donde el
entrevistado habla por su propio aparato)
d) Sistemas de CODEC Digital En esta categoría entra el Musicam, Patriot Tieline, etc. Se trata
de un sistema codificador que convierte la señal a digital, la comprime MPEG y la transmite a
través de un Modem telefónico, por una línea telefónica fija. En estudios es reconvertida. La
respuesta a frecuencias obtenida es buena pero la calidad de sonido sufre de distorsión debido a
las limitaciones de la compresión de bits. Es el mismo tipo de calidad que escuchamos en una
radio en Internet cuando trasmite a baja velocidad para que sea escuchada sin usar banda
ancha.
También sufre de un importante retardo de tiempo que imposibilita el uso para
entrevistas con participación de periodistas de Estudio. En resumen:
Desventajas: / No es 100% portable pues requiere línea física /Alto costo en equipos / Introduce
distorsión de audio a bajas velocidades de transmisión/ Necesita usar dos equipos / No sirve
para entrevistas telefónicas (en donde el entrevistado habla por su propio aparato)/ Tiene
retardo, lo que impide entrevistas desde Estudios.
Comparemos con el nuevo sistema VQR
El VQR no requiere un equipo codificador, de
hecho mejora la calidad de las entrevistas en que el entrevistado usa su propio teléfono de línea o
celular. El VQR no tiene retardo. Reconstruye frecuencias entre 50 Hz – 10.000 Hz. Mejora los
graves y los agudos. Aumenta el rango dinámico a 70 dBA (similar a un buen micrófono de
estudio) El 95 % de los oyentes creerá que el entrevistado está en el Estudio de la Radio. Es de
bajo costo.
Desventajas: La calidad de sonido es buena, pero no perfecta como en el ISDN. Recomendamos
escuchar demos en Internet.
LA TECNOLOGIA VQR (Voice Quality Restoration)
La comparación que acabamos de realizar entre VQR y otras soluciones, parecería apuntar a que
el VQR es una especie de solución mágica. Pero por supuesto esto no es así, como ya veremos.
Solidyne ha trabajado en el tema de la transmisión de exteriores por vía telefónica durante 35
años. Hemos analizado numerosas técnicas matemáticas que permitían resolver este problema.
Se construyeron incluso prototipos y se realizaron numerosos ensayos. Pero no nos conformaron.
Nuestras soluciones, aún siendo de menor costo, tenían los mismos problemas ya antes
señalados y por eso nunca fueron fabricadas.
En los últimos dos años encaramos el problema desde un punto de vista radicalmente diferente.
El punto de vista Psicoacústico y del análisis de los mecanismos de generación de la voz humana.
Lo hicimos alentados por el éxito que esta misma idea había tenido en 1988 cuando logramos el
2
primer sistema del mundo de grabación de música y comerciales en Hard Disk, basado en la
invención de la compresión de datos PCM (bit compression) usando la teoría psicoacústica del
Enmascaramiento de Bandas Críticas. Esto nos permitió construir el primer sistema del mundo
para compresión de datos PCM que fue precursor del MPEG, MP3, ATRAC y de todos los otros
sistemas hoy en uso por millones de personas en todo el mundo. Pero en 1988 parecía magia.
El sistema VQR, inventado por Solidyne en 2005, opera exclusivamente sobre la voz humana.
Veamos entonces qué sabemos acerca de la generación de voz. En la Fig 1 vemos el sistema de
fonación
Figura-1
Podemos observar que las cuerdas vocales están al comienzo de toda la cadena de generación,
produciendo un sonido fundamental o pitch del cual depende el tono de voz de la persona que
habla. Observemos que el sonido atraviesa tres cavidades (faríngea, oral y nasal) que se
comportan como tres resonadores alterando las componentes armónicas del sonido de las
cuerdas vocales que es muy rico en armónicos por ser una onda de tipo triangular asimétrica, con
armónicos pares e impares. El movimiento de las cuerdas vocales puede verse en la secuencia de
la Fig-2
Figura 2 Movimiento de las cuerdas vocales ( M.Guirao, 1980)
La acción acústica de las cuerdas vocales ha sido simulada en laboratorio con dos masas
conectadas por un resorte (Fant 1970, Veldhuis 1995) Es evidente de la Fig 1 que los ingenieros
podemos simular las cavidades con resonadores tubulares, imitando de esta forma el tracto vocal
(O’Saughnessy 1987). Veamos por ejemplo la Fig-3
3
Figura 3 Modelo de tracto vocal con dos y con tres tubos
El sistema de glotis (generación de pitch) y las tres cavidades se comportan como un circuito
equivalente serie. Esta hipótesis es hoy plenamente aceptada (McAulay 1983, Macon 1996, Klijn
1998)
Figura 4 Circuito equivalente de las cuerdas vocales y el tracto vocal
Cada uno de los filtros (son del tipo pasa-banda de segundo orden) es rápidamente variado por
los movimientos de la lengua, produciendo distintas resonancias que son denominadas formantes
de la voz. Esto se define en la ya clásica ecuación de Harvey Fletcher (Allen, 1995) que define la
relación entre la presión sonora para un armónico Pk con relación a la fundamental P1
Siendo delta el factor de amortiguamiento
Veamos ahora cuál es el espectro de audio que el mecanismo de fonación de la voz humana
presenta (Fant (1960), Flanagan (1965), Fry (1979), Lieberman & Blumstein (1988).
Analicemos la Fig 5
Figura 5 Espectros de audio para pitch de 100 y 200 Hz
4
Vemos en el primer gráfico el sonido de las cuerdas vocales exclusivamente, para el caso de una
fundamental de 100 Hz (voz muy grave) y otra de 200 Hz (voz casi femenina). Es interesante
observar que existen numerosas armónicas que se extienden hasta más de 3.000 Hz
En el segundo gráfico vemos los tres filtros correspondientes a las tres cavidades, o formantes.
Finalmente en el tercer gráfico vemos el resultado final emitido por la voz humana. Contrario a lo
que podríamos pensar se trata de un espectro discreto y no de un espectro continuo. Es decir
que está formado por frecuencias individuales espaciadas.
Destacamos este detalle pues es la base de la tecnología VQR para restauración de graves.
Veamos entonces este fenómeno con mayor detalle. Grafiquemos cada armónica como una barra
vertical y tendremos la Fig 6 y la Fig 7
Figura 6; armónicos de la “A” inglesa con voz grave (pitch = 100)
Figura 7; armónicos de la “A” inglesa con voz aguda (pitch = 250)
Aquí es observado con mucho detalle el carácter discreto del espectro de audio. Esto significa
que aún cortando la parte inferior del espectro, debajo de 300 Hz, las fundamentales perdidas
pueden en teoría reconstruirse a partir del resto del espectro. Imaginemos que un observador
examine ambos espectros en la zona entre 1.000 y 2.000 Hz y no conozca los armónicos por
debajo de 300 Hz. ¿Podrá nuestro observador saber cual es la fundamental? Es evidente que
puede, pues midiendo la separación entre dos armónicos consecutivos conoce
perfectamente el valor de la fundamental (en nuestro ejemplo, 100 y 250 HZ).
En esto se basa la sección del VQR que reconstruye los tonos graves de la voz humana, aún
escuchados a través del micrófono de un teléfono.
No entraremos en detalles técnicos acerca de la manera de hacer esta operación. Uno de los
clásicos métodos de análisis puede verse en la Fig 8
Figura 8 Análisis de la voz mediante la transformada
5
RECONSTRUCCION DE LOS AGUDOS DE LA VOZ
Y DEL RANGO DINAMICO
Tal como hemos visto, los registros más graves de la voz humana pueden reconstruirse a partir
de las componentes discretas que atraviesan el canal telefónico. Este es un notable
descubrimiento que cambia nuestras perspectivas acerca de la calidad de una transmisión por vía
telefónica.
La reconstrucción de los agudos también es posible, pero menos exacta que la de los graves. Esto
es debido a que existen dos mecanismos de generación de agudos. Uno de ellos está dado por
las armónicas elevadas de los sonidos vocalizados, es decir producidos por emisión de voz
mediante las cuerdas vocales. Pero otro grupo muy importante es producido por los sonidos novocalizados o fricativos. Estos son generados cuando el tracto vocal está cerrado parcialmente en
algún lugar y el aire empuja con fuerza en ese mismo lugar produciendo una turbulencia. Ejemplo
de sonidos fricativos son las consonantes f, s y j
Afortunadamente esos sonidos tienen su fundamental entre 2.000 y 3.000 Hz por lo que
atraviesan los sistemas telefónicos. Pero sus armónicos que llegan hasta 10.000 Hz no pueden
hacerlo, perdiendo el brillo característico de la voz grabada en alta calidad.
Sin embargo, un detenido estudio de las componentes armónicas superiores de la voz humana
indica que si excitamos con las componentes de la banda de 2 a 3 KHz a un generador armónico
basado en ondas triangulares asimétricas (del tipo de las generadas por las cuerdas vocales), se
obtiene un espectro armónico bastante similar al sonido real. Si a este espectro se le eliminan las
componentes de excitación (banda de 2 a 3 KHz), se obtiene una banda alta complementaria
que puede sumarse al sonido original para lograr la reconstrucción de los agudos de una forma
parecida a la que empleamos con los graves.
Para poder hacer que la calidad de voz transmitida telefónicamente sea lo más similar posible a la
calidad que obtendríamos en estudios, es necesario aumentar el rango dinámico desde los 40/50
dBA de las comunicaciones telefónicas hasta unos 70 dBA que es lo que obtenemos en estudio
con un buen micrófono. El principio con que actuamos es conocido, pues es el mismo que se
emplea en los estudios de grabación de audio digital para lograr que la mezcla de numerosos
micrófonos que toman a los instrumentos musicales no sumen sus niveles de ruido de fondo,
impidiendo obtener los necesarios 80 a 90 dB de rango dinámico que caracterizan a un buen CD.
La solución es de tipo psicoacústico (¡nuevamente!) pues está basada en el enmascaramiento
temporal que una señal intensa produce en el oído humano. El dispositivo que permite esto es
denominado Expansor de Audio. Puede verse en la Fig 9 la curva de transferencia de un
Expansor
Figura 9 Diagrama de Entrada-Salida de un Expansor de audio
6
Se trata de un expansor de pendiente 1:2 Este dispositivo, absolutamente lineal para las
frecuencias de audio, varía su ganancia en función del nivel de señal. Para ser efectivo y cumplir
con las condiciones psicoacústicas, el ajuste de ganancia frente a una señal que aumenta su nivel
debe ser muy veloz, típicamente de menos de 5 milisegundos. Cuando la señal disminuye su nivel
el tiempo de respuesta deberá ser del orden de 50 a 100 mS
Observemos su acción. En su entrada tenemos una señal que varía su nivel 20 dB. A la salida la
misma señal presenta una variación de 30 dB, es decir ha incrementado su rango dinámico.
Este mismo principio es aplicado en la tecnología VQR para reducir el ruido de fondo de la
comunicación telefónica, para obtener una señal de audio muy limpia y con su espectro
balanceado.
7